ChargePM

ChargePM - Umsetzung und Evaluierung der Prognose von Wartungsintervallen und Ausfällen von Ladesäulen mittels Predictive Maintenance

Herausforderung

Die Elektrifizierung des Verkehrssektors stellt einen zentralen Aspekt der Veränderungen im deutschen Mobilitätsbereich dar. Dabei spielt die Entwicklung einer umfassenden Ladeinfrastruktur eine entscheidende Rolle für den Erfolg und die breite Akzeptanz der Elektromobilität. Jedoch stehen wir vor einer Vielzahl von Herausforderungen, wenn es um den Aufbau und die Wartung dieser Infrastruktur geht. Deutschland strebt bis 2030 die Bereitstellung von rund 1 Million öffentlichen Ladepunkten an, was im Vergleich zu 2023 mehr als einer Verzehnfachung entspricht. Dies erzeugt neben dem Aufbau der Infrastruktur auch erhebliche Anstrengungen in Bezug auf die regelmäßige Wartung und Reparaturen. Zudem werden Defekte spät oder gar nicht erkannt. Wartungsdefizite resultieren u.a. vom Mangel an Fachkräften. Den Betreibern fehlen verlässliche Informationen über den Wartungszustand der Ladesäulen, um Servicekräfte für Wartung und Reparatur gezielt sowie vorausschauend einsetzen zu können.

Ziel des Projekts

ChargePM hat das Ziel, die Nutzerfreundlichkeit von Ladesäulen durch eine Verbesserung des Servicegrades zu erhöhen. Predictive Maintenance als innovative Herangehensweise soll dabei helfen, den Wartungsaufwand und Ausfälle von Ladesäulen zu reduzieren. In einer Machbarkeitsuntersuchung wird erforscht, ob Wartungsintervalle reduziert und Ausfälle von Ladesäulen prognostiziert werden können. Eine eigens dafür entwickelte Analyse-Hardware bildet neben den Daten aus dem Ladenetzwerk der Fraunhofer Gesellschaft und den Daten aus der mCLOUD die Grundlage hierfür.

Methodik

Zentrale Aktivitäten sind das Sammeln relevanter Daten mit Hilfe der Carico-Analyse-Hardware. Neben den Daten des Fraunhofer Ladenetzwerks werden mCLOUD-Daten zu Ladesäulen, Wetter, Fahrzeugflotten ausgewertet. Eine weitere Aktivität ist die Analyse und Aufbereitung der Daten für die Prognose mittels Predictive Maintenance. Zudem werden passende Algorithmen gegenübergestellt und verglichen. Die zu entwickelnde Nutzerfeedback-App zur Erhebung von Störungen bringt weitere relevante Daten ein. Das erwartete Ergebnis ist die Beantwortung der Frage, wie weit die derzeit erhebbaren Daten in ihrer Quantität und Qualität aussagekräftig sind, um mittels Predictive Maintenance Wartungsaufwand und Ausfälle von Ladesäulen zu prognostizieren und welche Erweiterungen und Verbesserungen notwendig sind. Angestrebt wird Förderrichtlinie 2 von mFUND, um das Ergebnis umzusetzen und für die Praxis anwendbar zu machen.

Ergebnis

Es konnten tiefgreifende Erkenntnisse im Bereich der Fehlererkennung und Predictive Maintenance gesammelt werden. Wenngleich auch die in diesem Projekt vorhandenen Daten weniger Aussagekraft besaßen als vermutet, sind weitere wichtige Fragen in diesem Zusammenhang aufgekommen. Diese Fragen wurden zum einen in konkrete Anforderungen an die Datenlandschaft und Datenverarbeitung umformuliert, und zum anderen auch in Empfehlungen für weitere Untersuchungen.

Das Projekt hat gezeigt, dass Fehlererkennung und Predictive Maintenance von Ladesäulen ein sehr wichtiges Thema ist und großes Potential besitzt einen wesentlichen Beitrag zur Steigerung der Verfügbarkeit von Ladesäulen zu leisten als auch die Zufriedenheit der Kunden zu steigern, da diese mit weniger Störungen konfrontiert sind. Weitere positive Auswirkungen davon sind eine größere Akzeptanz der Elektromobilität mit einer weiteren Annäherung an das Ziel bis 2030 eine Million Elektrofahrzeuge in Deutschland auf den Straßen zu sehen.

Das Ergebnis wurde in einer Studie festgehalten, welche bei Andreas Freymann angefragt werden kann.

Projektpartner

• Carico GmbH, Esslingen  (FKZ: 19F1141A)
• Fraunhofer-Institut für Arbeitswirtschaft und Organisation IAO, Stuttgart (FKZ 19F1141C)
• Hochschule Esslingen, Esslingen (FKZ 19F1141D)

Projektförderung

Verbundkoordinator: Carico GmbH, Esslingen

Projektvolumen (zum Bewilligungszeitraum): 109.113 €, davon 99 % Förderung durch Bundesministerium für Digitales und Verkehr (BMDV)

Projektlaufzeit (zum Bewilligungszeitraum): 12/2022 - 05/2023